GLM-5.3-FlashX er FlashX-udgaven i Z.ai's GLM-5.3-Flash-familie med indbygget multimodalitet. Producenten præsenterer parret til visuel programmering og professionelt arbejde, hvor tekst kombineres med billeder, video og filer, mens outputtet er tekst. FlashX er særskilt navngivet for hurtigere inferens i producentens tjeneste. Et nyttigt oplæg kan bede om en implementering baseret på skærmbilleder, en dokumentbaseret analyse eller en plan, som en applikation udfører med værktøjer. Kilden angiver begge modelkoder; deres tjenesteidentiteter forbliver adskilte.
Familien bruger et hybriddesign med sparsom og lineær opmærksomhed og beskrives med 320 milliarder parametre i alt og 18 milliarder aktiverede. Sparsom opmærksomhed henter global information, mens lineær opmærksomhed modellerer lokale afhængigheder; producenten beskriver også indekspooling til lang kontekst. Dette er fakta om familiens arkitektur og ikke det numeriske format for hver hostet instans. Dens fælles profil er en million konteksttokens og op til 128K outputtokens. Kildemateriale, repræsenterede visuelle elementer, historik, ræsonnering og svaret skal alle have plads i den konfigurerede arbejdsgang.
Visuel programmering er central. Z.ai's eksempler kombinerer flere skærmbilleder af sider eller en optagelse med instruktioner om at rekonstruere sammenhænge mellem sider, fælles komponenter, navigation, tilstande og animationsadfærd. Forbered referencer i rækkefølge, og angiv, hvilke funktioner der skal virke. Bed om redigerbar kildekode og en sammenligning med designet. Applikationen starter eller gengiver forslaget og returnerer skærmbilleder eller interaktionsresultater; modellen bruger denne feedback til at forfine resultatet. Tekst og kode bliver ikke til en færdig kørende applikation uden disse handlinger.
Ved Office- og dokumentarbejde beskriver producenten organisering af materiale, oprettelse af diagrammer og layout samt gennemgang af det gengivne resultat. En værktøjsunderstøttet arbejdsgang kan producere PPTX, PDF, DOCX eller XLSX. Et illustrativt rapportoplæg kan levere kilder, målgruppe og obligatoriske afsnit og derefter bede om en tabel, der forbinder kilder med konklusioner, og en redigerbar rapport eller præsentation. Hold leverede værdier adskilt fra analytiske antagelser. Gengivelse, lagring af filer og kontrol af formelreferencer er applikationshandlinger. Ved finansiel analyse beskriver producenten sammenligning af regnskaber og meddelelser, adskillelse af offentliggjorte værdier fra antagelser og udarbejdelse af en redigerbar prognose- eller værdiansættelsesmodel sammen med en kildebaseret rapport gennem tilsluttede værktøjer.
Producentens bredere eksempler omfatter videoredigering, 3D-scener, spilbare spil og CAD-rekonstruktion gennem værktøjer. En videoopgave kan starte med en medieoversigt og tidslinje; en sceneopgave kan definere opbygning, materialer og kameravisninger, før der anmodes om et modelleringsscript. Et CAD-oplæg kræver målreferencer og tydelige antagelser om mål, som billedet ikke fastslår. Modellen fortolker materialet og styrer arbejdet, mens de relevante redigerings-, gengivelses- eller modelleringsværktøjer producerer og gennemgår ressourcerne.
Ræsonnering kan ikke deaktiveres i denne profil. Kilden siger, at tekstindstillingerne stemmer med GLM-5.3, og anbefaler reasoning_effort=max, temperature 1 og top-p 0.95. Den anbefaler clear_thinking=false for bevaret ræsonnering samt streaming af både tekst og værktøjskald. Den tilhørende vejledning kræver, at bevarede ræsonneringsblokke returneres fuldstændigt og uændret. Definer slutresultatet før en lang analyse, og hold observationer knyttet til de trin, der frembragte dem.
Producenten angiver funktionskald, kontekstcaching, struktureret output og indbygget visuel forståelse. Angiv værktøjsbeskrivelser og obligatoriske outputfelter tydeligt. Ved en grænsefladeopgave skal du bede om de dækkede sidetilstande, tilbageværende afvigelser og hvad den faktiske sammenligning af gengivelser viste. Ved analyse skal du adskille kildefakta, antagelser og konklusioner. FlashX understøtter disse multimodale arbejdsgange, hvor udførelse, gengivelse og filhåndtering leveres af den tilsluttede applikation.
", "aboutText": "GLM-5.3-FlashX er FlashX-udgaven i Z.ai's GLM-5.3-Flash-familie med indbygget multimodalitet. Producenten præsenterer parret til visuel programmering og professionelt arbejde, hvor tekst kombineres med billeder, video og filer, mens outputtet er tekst. FlashX er særskilt navngivet for hurtigere inferens i producentens tjeneste. Et nyttigt oplæg kan bede om en implementering baseret på skærmbilleder, en dokumentbaseret analyse eller en plan, som en applikation udfører med værktøjer. Kilden angiver begge modelkoder; deres tjenesteidentiteter forbliver adskilte.\n\nFamilien bruger et hybriddesign med sparsom og lineær opmærksomhed og beskrives med 320 milliarder parametre i alt og 18 milliarder aktiverede. Sparsom opmærksomhed henter global information, mens lineær opmærksomhed modellerer lokale afhængigheder; producenten beskriver også indekspooling til lang kontekst. Dette er fakta om familiens arkitektur og ikke det numeriske format for hver hostet instans. Dens fælles profil er en million konteksttokens og op til 128K outputtokens. Kildemateriale, repræsenterede visuelle elementer, historik, ræsonnering og svaret skal alle have plads i den konfigurerede arbejdsgang.\n\nVisuel programmering er central. Z.ai's eksempler kombinerer flere skærmbilleder af sider eller en optagelse med instruktioner om at rekonstruere sammenhænge mellem sider, fælles komponenter, navigation, tilstande og animationsadfærd. Forbered referencer i rækkefølge, og angiv, hvilke funktioner der skal virke. Bed om redigerbar kildekode og en sammenligning med designet. Applikationen starter eller gengiver forslaget og returnerer skærmbilleder eller interaktionsresultater; modellen bruger denne feedback til at forfine resultatet. Tekst og kode bliver ikke til en færdig kørende applikation uden disse handlinger.\n\nVed Office- og dokumentarbejde beskriver producenten organisering af materiale, oprettelse af diagrammer og layout samt gennemgang af det gengivne resultat. En værktøjsunderstøttet arbejdsgang kan producere PPTX, PDF, DOCX eller XLSX. Et illustrativt rapportoplæg kan levere kilder, målgruppe og obligatoriske afsnit og derefter bede om en tabel, der forbinder kilder med konklusioner, og en redigerbar rapport eller præsentation. Hold leverede værdier adskilt fra analytiske antagelser. Gengivelse, lagring af filer og kontrol af formelreferencer er applikationshandlinger. Ved finansiel analyse beskriver producenten sammenligning af regnskaber og meddelelser, adskillelse af offentliggjorte værdier fra antagelser og udarbejdelse af en redigerbar prognose- eller værdiansættelsesmodel sammen med en kildebaseret rapport gennem tilsluttede værktøjer.\n\nProducentens bredere eksempler omfatter videoredigering, 3D-scener, spilbare spil og CAD-rekonstruktion gennem værktøjer. En videoopgave kan starte med en medieoversigt og tidslinje; en sceneopgave kan definere opbygning, materialer og kameravisninger, før der anmodes om et modelleringsscript. Et CAD-oplæg kræver målreferencer og tydelige antagelser om mål, som billedet ikke fastslår. Modellen fortolker materialet og styrer arbejdet, mens de relevante redigerings-, gengivelses- eller modelleringsværktøjer producerer og gennemgår ressourcerne.\n\nRæsonnering kan ikke deaktiveres i denne profil. Kilden siger, at tekstindstillingerne stemmer med GLM-5.3, og anbefaler reasoning_effort=max, temperature 1 og top-p 0.95. Den anbefaler clear_thinking=false for bevaret ræsonnering samt streaming af både tekst og værktøjskald. Den tilhørende vejledning kræver, at bevarede ræsonneringsblokke returneres fuldstændigt og uændret. Definer slutresultatet før en lang analyse, og hold observationer knyttet til de trin, der frembragte dem.\n\nProducenten angiver funktionskald, kontekstcaching, struktureret output og indbygget visuel forståelse. Angiv værktøjsbeskrivelser og obligatoriske outputfelter tydeligt. Ved en grænsefladeopgave skal du bede om de dækkede sidetilstande, tilbageværende afvigelser og hvad den faktiske sammenligning af gengivelser viste. Ved analyse skal du adskille kildefakta, antagelser og konklusioner. FlashX understøtter disse multimodale arbejdsgange, hvor udførelse, gengivelse og filhåndtering leveres af den tilsluttede applikation.", "editorialOverlay": { "copy_fields": { "practical_html": "Teknisk eksempel på engelsk
Implement a text-specified form state\n\nCreate editable HTML and JavaScript for this form behavior: an email field and a Subscribe button; blank submission shows 'Enter your email' and preserves the current input; nonblank submission shows a local confirmation without sending a request. Include a short state checklist. No screenshot is supplied, and do not claim the form was rendered or deployed.Editable form source and a checklist of empty, corrected and confirmation states.Blank submission must keep the field value and show the requested message; the proposal must not send a network request.z-ai/glm-5.3-flashxGLM-5.3-FlashX er Z.ai's multimodale model til visuel programmering, dokumentarbejde og værktøjsunderstøttede agenter. Producentprofilen modtager billeder, video, tekst og filer, returnerer tekst og angiver en kontekst på 1M med op til 128K outputtokens.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
GLM-5.3-FlashX er FlashX-udgaven i Z.ai's GLM-5.3-Flash-familie med indbygget multimodalitet. Producenten præsenterer parret til visuel programmering og professionelt arbejde, hvor tekst kombineres med billeder, video og filer, mens outputtet er tekst. FlashX er særskilt navngivet for hurtigere inferens i producentens tjeneste. Et nyttigt oplæg kan bede om en implementering baseret på skærmbilleder, en dokumentbaseret analyse eller en plan, som en applikation udfører med værktøjer. Kilden angiver begge modelkoder; deres tjenesteidentiteter forbliver adskilte.
Familien bruger et hybriddesign med sparsom og lineær opmærksomhed og beskrives med 320 milliarder parametre i alt og 18 milliarder aktiverede. Sparsom opmærksomhed henter global information, mens lineær opmærksomhed modellerer lokale afhængigheder; producenten beskriver også indekspooling til lang kontekst. Dette er fakta om familiens arkitektur og ikke det numeriske format for hver hostet instans. Dens fælles profil er en million konteksttokens og op til 128K outputtokens. Kildemateriale, repræsenterede visuelle elementer, historik, ræsonnering og svaret skal alle have plads i den konfigurerede arbejdsgang.
Visuel programmering er central. Z.ai's eksempler kombinerer flere skærmbilleder af sider eller en optagelse med instruktioner om at rekonstruere sammenhænge mellem sider, fælles komponenter, navigation, tilstande og animationsadfærd. Forbered referencer i rækkefølge, og angiv, hvilke funktioner der skal virke. Bed om redigerbar kildekode og en sammenligning med designet. Applikationen starter eller gengiver forslaget og returnerer skærmbilleder eller interaktionsresultater; modellen bruger denne feedback til at forfine resultatet. Tekst og kode bliver ikke til en færdig kørende applikation uden disse handlinger.
Ved Office- og dokumentarbejde beskriver producenten organisering af materiale, oprettelse af diagrammer og layout samt gennemgang af det gengivne resultat. En værktøjsunderstøttet arbejdsgang kan producere PPTX, PDF, DOCX eller XLSX. Et illustrativt rapportoplæg kan levere kilder, målgruppe og obligatoriske afsnit og derefter bede om en tabel, der forbinder kilder med konklusioner, og en redigerbar rapport eller præsentation. Hold leverede værdier adskilt fra analytiske antagelser. Gengivelse, lagring af filer og kontrol af formelreferencer er applikationshandlinger. Ved finansiel analyse beskriver producenten sammenligning af regnskaber og meddelelser, adskillelse af offentliggjorte værdier fra antagelser og udarbejdelse af en redigerbar prognose- eller værdiansættelsesmodel sammen med en kildebaseret rapport gennem tilsluttede værktøjer.
Producentens bredere eksempler omfatter videoredigering, 3D-scener, spilbare spil og CAD-rekonstruktion gennem værktøjer. En videoopgave kan starte med en medieoversigt og tidslinje; en sceneopgave kan definere opbygning, materialer og kameravisninger, før der anmodes om et modelleringsscript. Et CAD-oplæg kræver målreferencer og tydelige antagelser om mål, som billedet ikke fastslår. Modellen fortolker materialet og styrer arbejdet, mens de relevante redigerings-, gengivelses- eller modelleringsværktøjer producerer og gennemgår ressourcerne.
Ræsonnering kan ikke deaktiveres i denne profil. Kilden siger, at tekstindstillingerne stemmer med GLM-5.3, og anbefaler reasoning_effort=max, temperature 1 og top-p 0.95. Den anbefaler clear_thinking=false for bevaret ræsonnering samt streaming af både tekst og værktøjskald. Den tilhørende vejledning kræver, at bevarede ræsonneringsblokke returneres fuldstændigt og uændret. Definer slutresultatet før en lang analyse, og hold observationer knyttet til de trin, der frembragte dem.
Producenten angiver funktionskald, kontekstcaching, struktureret output og indbygget visuel forståelse. Angiv værktøjsbeskrivelser og obligatoriske outputfelter tydeligt. Ved en grænsefladeopgave skal du bede om de dækkede sidetilstande, tilbageværende afvigelser og hvad den faktiske sammenligning af gengivelser viste. Ved analyse skal du adskille kildefakta, antagelser og konklusioner. FlashX understøtter disse multimodale arbejdsgange, hvor udførelse, gengivelse og filhåndtering leveres af den tilsluttede applikation.
POST /v1/chat/completionstexttext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser z-ai/glm-5.3-flashx | Standard— |
Feltmessages | Typemessage[] | KravPåkrævet | Værdier og grænser Minimumsantal elementer: 1 | Standard— |
Feltmessages[].role | Typestring | KravPåkrævet | Værdier og grænser Eksempler: system, user, assistant, tool, function Betingelser: Disse roller er eksplicit repræsenteret i kildekodens kompatibilitetstyper; modellens præcise rollesæt er fortsat modelspecifikt. Afhænger af modellen | Standard— |
Feltmessages[].content | Typestring|content_part[]|null | KravValgfrit | Værdier og grænser | Standard— |
Feltmessages[].tool_calls | Typetool_call[] | KravValgfrit | Værdier og grænser | Standard— |
Feltmessages[].tool_call_id | Typestring | KravValgfrit | Værdier og grænser Gælder når: role=tool; brug det faktisk returnerede ID | Standard— |
Feltmessages[].name | Typestring | KravValgfrit | Værdier og grænser | Standard— |
Feltmessages[].reasoning_content | Typestring | KravValgfrit | Værdier og grænser Gælder når: Send det faktisk returnerede ræsonnement tilbage, når modellen bruger det | Standard— |
Feltmessages[].reasoning_details | Typeobject|array | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltmax_tokens | Typeinteger | KravValgfrit | Værdier og grænser Minimum: 1 Afhænger af modellen | Standard— |
Feltmax_completion_tokens | Typeinteger | KravValgfrit | Værdier og grænser Minimum: 1 Afhænger af modellen | Standard— |
Feltstream | Typeboolean | KravValgfrit | Værdier og grænser | Standardfalse |
Feltstream_options.include_usage | Typeboolean | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttemperature | Typenumber | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttop_p | Typenumber | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltstop | Typestring|string[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttools | Typefunction_tool[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Felttools[].type | Typestring | KravValgfrit | Værdier og grænser function Afhænger af modellen | Standard— |
Felttools[].function.name | Typestring | KravPåkrævet | Værdier og grænser Gælder når: funktionsværktøj angivet | Standard— |
Felttools[].function.description | Typestring | KravValgfrit | Værdier og grænser | Standard— |
Felttools[].function.parameters | TypeJSON_schema | KravValgfrit | Værdier og grænser | Standard— |
Felttool_choice | Typestring|object | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltparallel_tool_calls | Typeboolean | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltresponse_format | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltreasoning_effort | Typestring | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltreasoning | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltservice_tier | Typestring | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltinstructions | Typestring | KravValgfrit | Værdier og grænser Kompatibilitetsfelt | Standard— |
Feltfunctions | Typefunction[] | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltfunction_call | Typestring|object | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltprompt_cache_options | Typeobject | KravValgfrit | Værdier og grænser Afhænger af modellen | Standard— |
Feltmodalities | Typestring[] | KravValgfrit | Værdier og grænser text | Standard— |
Feltprovider | Typeobject | KravValgfrit | Værdier og grænser Betingelser: provider.options afvises på denne Ultra-tekstrute | Standard— |
Feltcache_control.ttl | Typestring | KravValgfrit | Værdier og grænser Betingelser: 1h afvises på de faktiske placeringer for promptcaching | Standard— |
Tekst · UTF8-tekst
messages[].content
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktmodel, messages |
Parametermaterial_types | Kontrakttext |
Parametermessages | Kontraktbeskedarray med strukturen role/content |
Parameterfile_material | Kontraktfaktisk UTF-8-dokument indsat som bogstavelig tekst; intet fil-ID udledes |
Parameteroptional_controls | Kontraktstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | Kontraktmodelspecifikt; brugerens funktionsværktøjer er forskellige fra hostede værktøjer |
Parameteroutput_modalities | Kontrakttext |
Parameterhosted_operations | Kontraktfalse |
Parametermultimodal_input_binding | Kontraktnull |
Livscyklus: synchronous_or_streamed
Send det præcise model-ID med messages.
Kontekstlængde er ikke et outputloft.
En tekstfil kan levere bogstavelig tekst; billed-, lyd- og filobjektinput kræver en præcis binding.
Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.
Knyt hver omkostning til de viste betingelser. Brug én takst for hver gruppe af alternative konfigurationer.
| Konfiguration | Takstplan | Konteksttokens, mere end | Konteksttokens, op til og med | Beløb |
|---|---|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Konteksttokens, mere end— | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.00074 / 1K tokens Output · Outputtokens $0.0025 / 1K tokens Input · Cachelæsning $0.00018 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 1 | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.00074 / 1K tokens Output · Outputtokens $0.0025 / 1K tokens Input · Cachelæsning $0.00018 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "z-ai/glm-5.3-flashx", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='z-ai/glm-5.3-flashx',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='z-ai/glm-5.3-flashx',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson eller SSE
Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Bevar hvert valg og dets indhold, værktøjskald og ræsonnement. Saml i SSE deltaer efter valg-/værktøjsindeks, og bevar den endelige afslutningsårsag og forbrugsoplysningerne.
Bevar anmodnings-/svar-ID’er og headere. Der leveres ingen generel URL til at hente tekstjob.
| Felt | Type |
|---|---|
Feltchoices[].index | Typeinteger |
Feltchoices[].message.content | Typestring|null |
Feltchoices[].message.tool_calls | Typetool_call[] |
Feltchoices[].message.reasoning_content | Typestring |
Feltchoices[].message.reasoning_details | Typeobject|array |
Feltchoices[].finish_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Betingelse | Næste trin |
|---|---|---|
Svar400 · invalid_request_error | BetingelseUgyldige obligatoriske felter, materialerepræsentation eller parameterværdi | Næste trinRet de angivne felter før en ny oprettelsesanmodning. |
Ailoot Ultra z-ai/glm-5.3-flashx
Brug metodestierne vist ovenfor.
z-ai/glm-5.3-flashxGLM-5.3-FlashX er Z.ai's multimodale model til visuel programmering, dokumentarbejde og værktøjsunderstøttede agenter. Producentprofilen modtager billeder, video, tekst og filer, returnerer tekst og angiver en kontekst på 1M med op til 128K outputtokens.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
GLM-5.3-FlashX er FlashX-udgaven i Z.ai's GLM-5.3-Flash-familie med indbygget multimodalitet. Producenten præsenterer parret til visuel programmering og professionelt arbejde, hvor tekst kombineres med billeder, video og filer, mens outputtet er tekst. FlashX er særskilt navngivet for hurtigere inferens i producentens tjeneste. Et nyttigt oplæg kan bede om en implementering baseret på skærmbilleder, en dokumentbaseret analyse eller en plan, som en applikation udfører med værktøjer. Kilden angiver begge modelkoder; deres tjenesteidentiteter forbliver adskilte.
Familien bruger et hybriddesign med sparsom og lineær opmærksomhed og beskrives med 320 milliarder parametre i alt og 18 milliarder aktiverede. Sparsom opmærksomhed henter global information, mens lineær opmærksomhed modellerer lokale afhængigheder; producenten beskriver også indekspooling til lang kontekst. Dette er fakta om familiens arkitektur og ikke det numeriske format for hver hostet instans. Dens fælles profil er en million konteksttokens og op til 128K outputtokens. Kildemateriale, repræsenterede visuelle elementer, historik, ræsonnering og svaret skal alle have plads i den konfigurerede arbejdsgang.
Visuel programmering er central. Z.ai's eksempler kombinerer flere skærmbilleder af sider eller en optagelse med instruktioner om at rekonstruere sammenhænge mellem sider, fælles komponenter, navigation, tilstande og animationsadfærd. Forbered referencer i rækkefølge, og angiv, hvilke funktioner der skal virke. Bed om redigerbar kildekode og en sammenligning med designet. Applikationen starter eller gengiver forslaget og returnerer skærmbilleder eller interaktionsresultater; modellen bruger denne feedback til at forfine resultatet. Tekst og kode bliver ikke til en færdig kørende applikation uden disse handlinger.
Ved Office- og dokumentarbejde beskriver producenten organisering af materiale, oprettelse af diagrammer og layout samt gennemgang af det gengivne resultat. En værktøjsunderstøttet arbejdsgang kan producere PPTX, PDF, DOCX eller XLSX. Et illustrativt rapportoplæg kan levere kilder, målgruppe og obligatoriske afsnit og derefter bede om en tabel, der forbinder kilder med konklusioner, og en redigerbar rapport eller præsentation. Hold leverede værdier adskilt fra analytiske antagelser. Gengivelse, lagring af filer og kontrol af formelreferencer er applikationshandlinger. Ved finansiel analyse beskriver producenten sammenligning af regnskaber og meddelelser, adskillelse af offentliggjorte værdier fra antagelser og udarbejdelse af en redigerbar prognose- eller værdiansættelsesmodel sammen med en kildebaseret rapport gennem tilsluttede værktøjer.
Producentens bredere eksempler omfatter videoredigering, 3D-scener, spilbare spil og CAD-rekonstruktion gennem værktøjer. En videoopgave kan starte med en medieoversigt og tidslinje; en sceneopgave kan definere opbygning, materialer og kameravisninger, før der anmodes om et modelleringsscript. Et CAD-oplæg kræver målreferencer og tydelige antagelser om mål, som billedet ikke fastslår. Modellen fortolker materialet og styrer arbejdet, mens de relevante redigerings-, gengivelses- eller modelleringsværktøjer producerer og gennemgår ressourcerne.
Ræsonnering kan ikke deaktiveres i denne profil. Kilden siger, at tekstindstillingerne stemmer med GLM-5.3, og anbefaler reasoning_effort=max, temperature 1 og top-p 0.95. Den anbefaler clear_thinking=false for bevaret ræsonnering samt streaming af både tekst og værktøjskald. Den tilhørende vejledning kræver, at bevarede ræsonneringsblokke returneres fuldstændigt og uændret. Definer slutresultatet før en lang analyse, og hold observationer knyttet til de trin, der frembragte dem.
Producenten angiver funktionskald, kontekstcaching, struktureret output og indbygget visuel forståelse. Angiv værktøjsbeskrivelser og obligatoriske outputfelter tydeligt. Ved en grænsefladeopgave skal du bede om de dækkede sidetilstande, tilbageværende afvigelser og hvad den faktiske sammenligning af gengivelser viste. Ved analyse skal du adskille kildefakta, antagelser og konklusioner. FlashX understøtter disse multimodale arbejdsgange, hvor udførelse, gengivelse og filhåndtering leveres af den tilsluttede applikation.
POST /v1/messagestextjson, sse| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser z-ai/glm-5.3-flashx | Standard— |
Feltmessages | Typemessage[] | KravPåkrævet | Værdier og grænser | Standard— |
Feltmessages[].role | Typestring | KravPåkrævet | Værdier og grænser user, assistant | Standard— |
Feltmessages[].content | Typestring | KravPåkrævet | Værdier og grænser | Standard— |
Feltmax_tokens | Typeinteger | KravPåkrævet | Værdier og grænser | Standard— |
Feltstream | Typeboolean | KravValgfrit | Værdier og grænser | Standardfalse |
Tekst · UTF-8-tekst
messages[].content som streng
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktmodel, messages, max_tokens |
Parameteroptional_controls | Kontraktstream |
Parametermaterial_types | Kontrakttext |
Parametertext_file_material | KontraktLæs det faktiske UTF-8-dokument, og indsæt teksten i det angivne input eller beskedens indholdsstreng. |
Livscyklus: synchronous_or_streamed
Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.
Knyt hver omkostning til de viste betingelser. Brug én takst for hver gruppe af alternative konfigurationer.
| Konfiguration | Takstplan | Konteksttokens, mere end | Konteksttokens, op til og med | Beløb |
|---|---|---|---|---|
| KonfigurationGrundtakster for tokens | TakstplanGrundtakst | Konteksttokens, mere end— | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.00074 / 1K tokens Output · Outputtokens $0.0025 / 1K tokens Input · Cachelæsning $0.00018 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| KonfigurationAnmodningslængde · niveau 1 | Takstplan— | Konteksttokens, mere end0 | Konteksttokens, op til og medIngen øvre grænse | Beløb Input · Inputtokens $0.00074 / 1K tokens Output · Outputtokens $0.0025 / 1K tokens Input · Cachelæsning $0.00018 / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
{\n "model": "z-ai/glm-5.3-flashx",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'z-ai/glm-5.3-flashx', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'z-ai/glm-5.3-flashx', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON eller SSE
Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Bevar alle indholdsblokke, ræsonnementssignaturer og faktiske værktøjsbrugs-ID’er. Saml alle SSE-blokdeltaer; den første tekstblok er ikke hele outputtet.
Bevar anmodnings-/svar-ID’er og headere. Der leveres ingen generel URL til at hente tekstjob.
| Felt | Type |
|---|---|
Feltid | Typestring |
Feltmodel | Typestring |
Feltcontent[] | Typetext|thinking|tool_use|other content block |
Feltstop_reason | Typestring|null |
Feltusage | Typeobject |
| Svar | Betingelse | Næste trin |
|---|---|---|
Svar400 · invalid_request_error | BetingelseUgyldige obligatoriske felter, materialerepræsentation eller parameterværdi | Næste trinRet de angivne felter før en ny oprettelsesanmodning. |
Ailoot Ultra z-ai/glm-5.3-flashx
Brug metodestierne vist ovenfor.
Teknisk eksempel på engelsk
Implement a text-specified form state\n\nCreate editable HTML and JavaScript for this form behavior: an email field and a Subscribe button; blank submission shows 'Enter your email' and preserves the current input; nonblank submission shows a local confirmation without sending a request. Include a short state checklist. No screenshot is supplied, and do not claim the form was rendered or deployed.Editable form source and a checklist of empty, corrected and confirmation states.Blank submission must keep the field value and show the requested message; the proposal must not send a network request.